一、改进神经网络的电力负荷短期预测方法研究背景
人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。人工神经网络具有初步的自适应与自组织能力。在学习或训练过程中改变突触权重值，以适应周围环境的要求。同一网络因学习方式及内容不同可具有不同的功能。人工神经网络是一个具有学习能力的系统，可以发展知识，以致超过设计者原有的知识水平。通常，它的学习训练方式可分为两种，一种是有监督或称有导师的学习，这时利用给定的样本标准进行分类或模仿；另一种是无监督学习或称无导师学习，这时，只规定学习方式或某些规则，则具体的学习内容随系统所处环境 （即输入信号情况）而异，系统可以自动发现环境特征和规律性，具有更近似人脑的功能。
随着电能的广泛应用，世界各国经济发展对电能的依赖越来越大，对电能的需求和电能质量的要求也越来越高。由于电能的特殊性，不能大量储存，需要立即使用。为了在电能的生产、传输和使用之间建立平衡，有必要准确估算电力系统中的负荷消耗。电力负荷预测在能源管理和电网合理规划中具有不可替代的作用。不仅可以为电能的高效利用提供参考，而且在电网实时调度控制中具有不可替代的作用。准确的负荷预测对推动电力行业的商业化和市场化具有重要作用。
短期负荷预测已成为电力系统安全稳定运行、维持供需平衡的重要依据。随着负荷的快速增长和电网形式的日益多样化，电力供应的紧张进一步加剧，给所有电力公司带来了经济和技术上的挑战。因此，研究短期负荷预测在电网运行调度优化中具有重要的现实意义。为了提高短期电力负荷预测的预测精度和效率，提出了一种基于改进人工群优化BP神经网络的预测方法。首先，对西安市电力负荷和天气数据进行详细分析，采用多元回归统计方法分析负荷与气象因素的相关性，筛选出负荷预测的关键影响因素，为后续纳入模型提供理论支持。其次，采用双向数据比较法对负荷数据进行预处理，保证建模和预测过程中数据的合理性和完整性。最后，针对BP神经网络初始值敏感、容易陷入局部极值的缺点，提出了一种改进的人工蜂群算法(IABC)来优化BP初始参数的权值和阈值。用四个标准函数对改进的人工蜂群算法进行了测试，验证了改进算法的先进性和可行性。在确定网络的最佳参数后，建立IABC-BP预测模型，并利用西安市电力负荷和气象数据进行案例预测。研究结果表明，IABC-BP模型的平均绝对百分比误差为1.353%，分别比BP模型和ABC-BP模型低4.570%和2.279%，均方根误差为1.9%。利用优化算法得到BP网络的最佳初始参数，进一步提高了收敛速度。可以看出，优化模型下的预测结果具有最优的精度和稳定性，可以应用于实际电网。
二、基于传统神经网络的负荷预测
从算法上看，基于传统神经网络的负荷预测一般有两类预测模型。一是基于参数的时间序列预测，二是基于非参数的时间序列预测。本文所涉及的基于BP神经网络的短期功率符合预测属于非参数序列预测。这种预测方法的优点是不需要假设特定的信号模型。因此，与基于参数的预测相比，它具有更好的应用范围。在电力短期合规性预测中，可以将时间序列中存在的负荷数据作为历史数据，利用历史数据可以计算出数据未来的发展趋势。这涉及到数据序列之间的映射关系。由于BP网络的特性便于实现数据序列中的映射关系，因此非常适合预测未来趋势。将BP神经网络引入电力系统短期负荷预测。电网负荷与历史数据和天气条件之间存在非线性关系。经过仔细的相关分析，得出了影响因素:温度、时段、节假日和环境。在这项研究中，一天的24小时被分为四个时间段。为了防止函数作用于其取值范围的平坦区域，采用归一化预处理方法将采集到的数据映射到[0.1,0.9]区间。以一周为周期，以一周的前6天为训练数据，最后一天为预测数据。结合Kolmogorov算法，输入层有12个神经元，隐藏层有5个节点，输出层有4个神经元。采用传统的神经网络方法训练BP网络，并引入Matlab实现对实验数据的仿真分析。结果表明，训练次数超过1000次后，训练误差的预测误差是可以接受的。
结语：
传统神经网络在学习过程中收敛速度慢，容易陷入局部极小值，鲁棒性差。本文引入遗传优化算法对其进行改进。遗传算法能在全局范围内以更快的速度找到最优解，收敛速度也更快。通过改进权值和阈值的确定过程，提高了算法的收敛速度，避免了局部极小值。神经网络的结构将变得复杂。此时，基于传统神经网络的预测收敛速度将显著变慢，优化后的算法将表现出更明显的优势。此时可以通过数据处理适当缩小尺度，进一步提高交叉概率，保证电力负荷预测效率更快、精度更高。
参考文献：
[1]党雨. 基于改进鲸鱼算法和循环神经网络的短期电力负荷预测[D].西南交通大学,2019.
[2]宿新爽. 基于模态数预估VMD及改进神经网络的电力负荷预测方法[D].燕山大学,2019.
[3]代一楠. 基于神经网络的短期电力负荷预测方法研究[D].西安建筑科技大学,2019.
[4]王克杰,张瑞.基于改进BP神经网络的短期电力负荷预测方法研究[J].电测与仪表,2019,56(24):115-121.
[5]程超. 基于遗传算法改进BP神经网络电力系统负荷短期预测研究[D].华北水利水电大学,2020.
[6]代宇艳. 基于结构改进循环神经网络的短期电力负荷预测[D].重庆邮电大学,2020.
[7]张晋轩,柳影,黄冬梅.基于改进BP神经网络法电力负荷短期预测[J].武汉理工大学学报,2021,43(01):103-106.
[8]何心毅,郎劲,张颜颜等.基于改进长短期记忆神经网络的钢铁企业电力负荷预测方法[J].冶金自动化,2022,46(03):48-56.
